基于優化模糊控制器的超聲波流量傳感器智能標定技術

羅 浩

(新疆維吾爾自治區水利科技推廣總站，烏魯木齊 830000)

1 概 述

流量測量是對大量流體運動的量化，流量測量有多種方法，可以是接觸式或非接觸式傳感器，其他間接流量測量方法大多通過測量已知區域內流體的速度來測量流量。從定性和經濟角度來看，準確的流量測量是必不可少的。在非接觸式流量測量中，超聲波流量測量以其分辨率高、噪聲對輸出干擾小等優點被廣泛應用于流量測量，但超聲波流量計的非線性特性限制了其應用[1-2]。

為了克服超聲波流量計非線性響應特性所面臨的限制，本文提出一種智能流量測量技術。通過比較不同算法和方案的最小均方誤差(MSE)和回歸分析(R)，得出最優神經網絡。用優化后的神經網絡訓練系統獲得線性度，并使輸出適應管徑、液體密度和液體溫度的變化，所有這些都在一個范圍內[3]。

2 超聲波流量計

圖1所示超聲波流量計(UFM)是一種廣泛應用于液體流量測量的非接觸式流量計。它不僅限于清潔的液體，而且能夠精確測量泥漿和不純凈液體的流量。超聲波流量計是測量管道中流量的最精確儀表之一。圖1顯示的是基本超聲波流量計的布置，其中管道兩側都安裝了發送和接收傳感器。接收傳感器接收發射傳感器從管道一側傾斜角度發送的超聲波信號。接收傳感器根據流向計算兩個不同的時間，分別稱為正向時間和反向時間。這兩次(運輸時間)的差與管道中的流速成正比。

圖1 超聲波流量計布置

為了克服超聲波流量計非線性響應特性所面臨的限制，提出了幾種技術，但其中有些是乏味和耗時的。此外，每次管道直徑或液體密度發生變化時，需要重復校準過程或更換/調整校準電路。當液體溫度發生變化時，超聲波流量計的非線性響應特性問題將進一步加劇，因為超聲波流量計的輸出依賴于溫度的變化。從圖1可以得出：

(1)

(2)

ΔT=Tup-Tdown

(3)

頻率：FIN=1/ΔT

式中：M為超聲波信號向前/向后傳播的次數；Co為超聲波信號在靜態流體中的速度；D為管徑；V為流體速度。

超聲波信號的速度取決于液體的密度，表示為：

(4)

式中：k為體積模量；ρ1為溫度t1下的液體比密度；ρ0為溫度t0時液體的比密度；Pt1為溫度t1下的壓力；Pt0為溫度t0時的壓力；E為液體彈性模量；α為液體溫度系數。

UFM的輸出是頻率，它被應用到信號調節中，然后由頻率-電壓轉換器產生電壓。從式(1)-式(4)可以看出，超聲波流量計在感應到流量后會產生頻率損耗。

3 傳統流量測試

圖2為傳統流量測量技術框圖。通過超聲波流量計檢測以及傳輸流量信號，最終在超聲波流量計輸出端將頻率轉換為有源信號輸出，電壓轉換器設計了校準電路，以映射F-V轉換器輸出電壓對應的流量。

圖2 傳統流量測量技術框圖

傳統的校準技術有兩個缺點：①這是一個耗時的過程；②只要系統參數(管徑、液體密度或液體溫度)中的任何一個發生變化，就需要進一步重新校準，從而限制了輸入范圍的滿標度。為了克服這些局限性，智能系統與超聲波流量傳感器配合，在輸入的滿量程上產生線性輸出，并使系統在管徑、液體密度和液體溫度變化時更具適應性。

本文將優化后的模糊控制器與超聲波流量傳感器一起作為智能系統。所設計的優化模糊邏輯模型具有如下屬性：①適應管道直徑的變化；②適應液體密度的變化；③適應液體溫度的變化；④輸出與輸入流量呈線性關系。

4 方案優化分析

優化后的模糊控制器克服了傳統標定電路的缺點，見圖3。模糊控制器的輸入參數為F-V轉換器的輸出、被測流體的實際溫度、已知管徑和液體密度值。以這種方式設計的模糊邏輯控制器產生流量，并用顯示器顯示。

圖3 擬用流量測量技術框圖

該模糊控制器模型是利用MATLAB。不同于以調節回路輸出電壓、管徑、液體密度和液體溫度的組合作為輸入參數，而是以相應的流量作為模糊控制器的輸出編輯。通過在級聯中添加一個帶數據轉換器單元的最佳人工神經網絡(ANN)模型，克服了前文所討論的缺點。

開發神經網絡的第一步是創建一個用于訓練、測試和驗證的數據庫。特定流量、管徑、液體密度和液體溫度的數據轉換單元的輸出電壓存儲為一行輸入數據矩陣。輸入流量、管徑、液體密度、液體溫度及其在數據轉換單元輸出端的相應電壓的各種組合被用來形成輸入數據矩陣的其他行。輸出矩陣是目標矩陣，由與流量呈線性關系的數據組成，并適應管徑、液體密度和液體溫度的變化。

找到權重以獲得期望輸出的過程稱為訓練。通過考慮隱含層數目變化的不同算法，得到優化的神經網絡。均方誤差(MSE)是輸出和目標之間的平均平方差。MSE值越小越好，當值為0時，表示沒有錯誤。回歸(R)衡量產出與目標之間的相關性，回歸值等于1表示密切關系，為0表示隨機關系。

用4種不同的方案和算法來尋找優化的神經網絡。它們是Levenberg-marquardt算法(LMA)、人工蜂群算法(ABC)、蟻群優化(ACO)、由蟻群優化(ACO) BP神經網絡。人工神經網絡的優化首先假設只有一個隱含層；記錄MSE和R值；隱含層增加到2層并重復計算；這個過程持續到4個隱含層。在所有情況下，MSE和R均已注明，見表1。圖4和圖5為對應于不同算法和隱含層的MSE和R的網格。從表1、圖4和圖5可以清楚地看出，假設期望的均方誤差為閾值，由蟻群算法訓練的BP網絡能產生最優化的網絡。由ACO訓練的具有2個隱含層的BP被認為是最優化的ANN，可獲得期望的結果精度。

表1 隱含層數與R和MSE的比較

圖4 網格顯示不同ANN模型對應的MSE

圖5 網格顯示不同ANN模型對應的R值

根據上述細節對網絡進行優化、驗證和測試。網絡模型優化結果見表2；優化后的神經網絡模型的具體參數見表3。

表2 網絡模型優化結果

表3 神經網絡輸入具體參數

5 結 論

用智能模糊邏輯代替傳統的標定電路，以適應液體溫度、液體密度和管徑的變化型號。技術分析表明，采用優化的模糊邏輯模型系統，可以在全尺寸范圍內產生線性輸入輸出特性輸入范圍。利用仿真數據對優化后的神經網絡進行計算、驗證和測試。在相應的規定范圍內，對不同的管道直徑、液體密度和液體溫度進行不同的試驗輸入。最終通過比較基于均方誤差最小化(MSE)和回歸法的各種方案和算法，考慮一個最優的人工神經網絡，其中流量范圍為0.0～0.002 5 m3/s，管徑范圍為0.1～0.3 m，液體密度范圍為500～1 500 kg/m3，液體溫度為25℃～75℃。